《这98家合成生物学公司在2018年筹集了38亿美元》

  • 来源专题:人类遗传资源和特殊生物资源流失
  • 编译者: yanyf@mail.las.ac.cn
  • 发布时间:2019-01-03
  • 每一年,情况似乎都是一样的:合成生物学公司在制造工程生物产品方面取得了惊人的进展,这些进展受到了广泛的关注,更多的资金涌入该领域,为明年的进展提供资金。从这个意义上说,2018年也不例外。在产品方面,公司正在将合成生物学应用于皮包、医药甚至飞机。该领域的公司和创始人经常出现在CNBC的《颠覆者50》(破坏者50)和《福布斯》(Forbes)的《30岁以下30人》(30 Under 30)等榜单上。加州理工学院的弗朗西斯·阿诺德甚至因为她在合成生物学方面的工作而获得了诺贝尔奖!所有这些进展导致投资者涌入这个领域,为创纪录的98家公司提供了38亿美元的融资。

    尽管过去几年也有数十亿美元流向了合成生物学初创企业,但今年有一些明显的不同。增加投资金额背后的推动力之一是,许多多年前获得早期融资的合成生物学初创公司现在已经成熟,并正在进行更大规模的融资。合成生物学现在甚至开始进入公众市场。去年有三家公开发行的股票共筹集了3.46亿美元,而今年我们看到13家公司从公开市场筹集了近14亿美元——几乎是2017年总额的四倍。

    今年最引人注目的公开募股包括Twist Bioscience,该公司于今年10月31日举行了首次公开募股(ipo),融资约7,000万美元。Synthorx也成功地进行了首次公开募股(IPO),筹集了1.31亿美元,用于生产使用合成氨基酸的蛋白质疗法。这两家公司的股价都较最初定价有所上涨,即便是在整体市场处于艰难时期,这表明公众对合成生物学技术持乐观态度。不仅是新上市的公司从公众投资者那里筹集资金。Intrexon和Codexis通过增发股票筹集了8600万美元和3200万美元,以继续开发新技术。

    后发创业公司今年也带来了大量现金。传奇的后期投资者软银远见基金(Softbank Vision Fund)今年在合成生物学领域首次亮相,为Zymergen进行了4亿美元的C轮融资,这是合成生物学初创公司迄今筹集的最大一轮风险投资。除了怪物轮,Synthego筹集了1.1亿美元的系列C和螺栓螺纹系列d .筹集了1.23亿美元很快就会释放他们的产品的一个公司就是主生物,筹集了7000万美元系列B协助的商业化microbial-based种子处理。进入后期阶段和公开市场的公司尤其令人兴奋,因为它们可以将资金返还给早期投资者和雇员,然后这些投资者和雇员就可以扭亏为盈,利用这些资金帮助该行业继续增长。

    营利性投资者并不是今年唯一对这一领域表现出兴趣的群体。世界各国政府看到了合成生物学在世界上的巨大潜力,在2018年向合成生物学公司投入了5000多万美元。阿米瑞斯获得的拨款最多,通过欧盟和美国国立卫生研究院的两笔拨款获得了2500万美元。最多产的受让方是美国能源部的生物能源技术办公室。他们将资金分配给许多合成生物公司,这些公司都致力于使我们的燃料更加绿色,包括ZymoChem、Arzeda、Visolis和LanzaTech。这些赠款是早期资金的重要来源,这些资金可以让一家公司证明自己的技术,以便后期投资者能够信心十足地进行投资。

    虽然今年大张旗鼓的后期宣传抢尽了风头,但仍有许多后起之秀成功地筹集到了所需的资金,继续推进技术的商业化。像IndieBio、RebelBio和Y Combinator这样的加速器为一些非常早期的公司提供了资金,而且每年都有更多的早期和中期投资者愿意将他们的资金投入这个令人印象深刻的领域。今年筹集到资金的一些特别有趣的早期公司包括Opentrons和猛犸生物科学公司(猛犸Biosciences)。Opentrons正在开发一种开源管道机器人,使实验室自动化变得更容易实现。Azitra公司开发一种基于微生物的皮肤产品,也通过发行可转换票据筹集了215万美元。

    去年的募资规模翻了一番,有人可能会说,明年的规模可能不会超过今年,但在连续4年创下纪录之后,很难看到资金流动放缓。我们即将迎来合成生物学的又一个激动人心的年头,无论是人们正在组建的新公司,还是现有公司即将推出的新产品。

相关报告
  • 《2018年98家合成生物企业融资38亿美元》

    • 来源专题:生物科技领域知识集成服务
    • 编译者:陈方
    • 发布时间:2019-04-30
    • 每年,合成生物企业都在建造工程生物产品方面取得了惊人的进步,这些进步得到了广泛的关注,并且更多的资金涌入该领域以资助下一年的进步。在产品方面,公司正在将合成生物应用于皮包、药品甚至飞机。该领域的公司和创始人是CNBC的Disruptor 50和Forbes 30 Under 30 等榜单的常客。所有这些进展导致投资者涌入该领域,为98家公司创纪录地提供了38亿美元的融资。 虽然过去几年也有数十亿美元流向合成生物初创公司,但今年有明显的不同。投资金额增加背后的驱动力之一是,许多数年前获得早期融资的合成生物初创企业现在已经发展成熟,正在进行更大规模的融资。合成生物企业现在已经开始进入公共市场。去年三次公开募股共筹集资金3.46亿美元,而今年13家企业从公开市场筹集了近14亿美元,几乎是2017年总额的四倍。 今年引人关注的公开发行包括Twist Bioscience,该公司于今年10月31日首次公开募股,募集资金约7000万美元。Synthorx也成功上市,筹集了1.31亿美元,用于开发蛋白质疗法(合成氨基酸)。这两家公司的股价都较最初的定价有所上涨,即使是在市场艰难的时期,也显示出公众对合成生物技术的乐观态度。不仅是新上市的公司从公共投资者那里筹集资金,Intrexon和Codexis通过增发股票筹资了8600万美元和3200万美元,以继续开发新技术。 创业公司今年也迎来了大量资金。传奇的后期投资者Softbank Vision Fund今年在合成生物领域首次亮相,为Zymergen进行了4亿美元的C轮融资,这是合成生物创业公司有史以来最大规模的风险投资。此外,Synthego筹集了1.1亿美元C轮融资,Bolt Threads获得 1.23亿美元D轮融资。Pivot Bio即将发布他们产品,该公司筹集了7000万美元的B系列资金,以帮助他们基于微生物的种子处理的商业化。进入融资后期阶段和公共市场的企业尤其兴奋,因为他们可以将资金返还给早期投资者和员工,然后这些人可以转身用这些资金帮助行业继续增长。 盈利性投资者并不是今年唯一对这一领域表现出兴趣的群体。世界各国政府也看到了合成生物的巨大潜力,在2018年向合成生物企业投入了5000多万美元。Amyris获得的赠款最多,欧盟和美国国家卫生研究院的两笔赠款共计2500万美元。最活跃的捐赠者是美国能源部的生物能源技术办公室,他们将资金分配给了许多研制环保燃料的合成生物企业,包括ZymoChem、Arzeda、Visolis和LanzaTech。这些赠款是早期资金的重要来源,让公司能够证明自己的技术,以便后期投资者可以放心投资。 今年,尽管大量的后期融资抢尽了风头,但仍有许多后起之秀成功地筹集了所需资金,继续将其技术推向商业化。IndieBio、RebelBio和Y Combinator这样的加速器为一些非常早期的公司提供了资金,每年都有更多的早期和中期投资者愿意将他们的资金投入到这个亮眼的领域。今年特别有趣的案例包括早期公司Opentrons,他们通过开发开源移液机器人使实验室自动化更容易实现,以及Mammoth Biosciences,一个基于CRISPR的疾病检测平台的制造商,其创始人登上了2019年Forbes 30 Under 30 list榜单。开发微生物护肤产品的Azitra也发行了可转换债券,筹集了215万美元资金。 今年将去年的融资规模翻了一番,人们忍不住预测明年的融资规模可能不会超过今年了,但在连续四年创纪录的融资之后,很难看到资金流放缓。我们即将迎来合成生物的又一个令人兴奋的年份,无论是因为正在组建的新公司,还是现有公司即将发布的新产品。
  • 《与五家使用AI工程生物学的合成生物学公司会面》

    • 来源专题:人类遗传资源和特殊生物资源流失
    • 编译者:yanyf@mail.las.ac.cn
    • 发布时间:2019-09-24
    • 电视和广播称“人工智能即将来临”,它将接替您的工作并在国际象棋上击败您。 但是,人工智能已经来临了,它可以在国际象棋上击败您,这是世界上最好的。在2012年,Google还使用它来识别YouTube视频中的猫。今天,这就是特斯拉拥有Autopilot,Netflix和Spotify似乎“读懂你的思想”的原因。现在,人工智能正在改变合成生物学的领域以及我们如何设计生物学。它可以帮助工程师设计出新的方法来设计基因回路,并且通过已获得的巨额投资(过去10年中的12.3亿美元)及其正在破坏的市场,它可能对人类的未来产生重大影响。 人工智能的概念相对简单,它是具有推理,学习和决策行为的机器编程。一些AI算法(只是计算机遵循的一组规则)在这些任务上非常出色,以至于可以轻易胜过人类专家。 我们听到的关于人工智能的大多数信息都涉及机器学习,这是AI算法的子类,可以从数据中推断出模式,然后使用该分析进行预测。这些算法收集的数据越多,其预测就越准确。深度学习是机器学习的一个更强大的子类别,其中大量称为神经网络(受大脑结构启发)的计算层协同工作以增加处理深度,从而促进诸如高级面部识别(包括iPhone上的FaceID)之类的技术)。 [有关人工智能及其各个子类别的更详细说明,请查看本文及其流程图。] 无论AI的类型或用途如何,我们都处于计算革命之中,它将其卷须扩展到“计算机世界”之外。很快,AI将影响您服用的药物,燃烧的燃料,甚至是您用来洗衣服的洗涤剂。 特别是生物学,是人工智能最有希望的受益者之一。从调查导致肥胖的遗传突变到检查癌细胞的病理样本,生物学产生的数据非常复杂,令人费解。但是,这些数据集中包含的信息通常提供有价值的见解,可用于改善我们的健康状况。 在合成生物学领域,工程师寻求“重新连接”活生物体并为其编程以新功能,许多科学家正在利用AI设计更有效的实验,分析其数据并使用其来创建突破性的疗法。这是五家将机器学习与合成生物学相结合的公司,为更好的科学和更好的工程铺平了道路。 Riffyn催化干净的数据收集和分析 (加州奥克兰,成立于2014年,已筹集了2490万美元) 机器学习算法必须从大量数据开始-但是,在生物学上,要生成好的数据非常困难,因为实验耗时,繁琐且难以复制。幸运的是,有一家公司正在通过简化科学家的工作来解决这一瓶颈。 Riffyn基于云的软件平台可帮助研究人员标准化,定义和执行实验,并简化数据分析,这使研究人员能够专注于进行实际的科学研究,并使使用机器学习算法从他们的实验中获得更深刻的见识成为日常现实。 使用此平台,可以更有效地进行实验,从而导致成本大幅下降,生产率和质量得到改善,并且准备使用复杂的机器学习技术进一步分析数据。这意味着公司可以使用这项技术来开发用于癌症治疗的新蛋白质,并且他们可以比以前更快,更好地做到这一点。里芬(Riffyn)已经与15家全球生物技术和生物制药公司中的8家进行了合作-他们成立于五年前。 Microsoft Research Station B:汇集编程生物学的难题 (英国剑桥,于2019年正式启动) 合成生物学世界中有许多活动的部分,这使得尽可能简化和整合操作变得困难而至关重要。在过去的十年中,Microsoft Research的计算生物学部门B站一直在开发生物学的机器学习模型,以解决此问题并加快从医学到建筑的各个领域的研究。 它的努力也以各种新的伙伴关系的形式获得了回报。借助Synthace,它正在开发用于自动化和加速实验室实验的软件。 B站还与普林斯顿大学合作,通过利用基于机器学习的方法从生物生长不同阶段拍摄的图像中提取图案,研究生物膜背后的机制(与细菌菌落如何产生抗生素抗性有关)。 B站还与牛津生物医学公司合作,该公司利用这些机器学习功能来改善针对白血病和淋巴瘤的有前途的基因疗法。这也许是合成生物学影响最大的领域之一:设计与多种疾病作斗争的疗法。 Atomwise:深度学习解码结构蛋白设计的黑匣子 (总部位于美国加利福尼亚州旧金山,成立于2012年,已筹集了5100万美元) Atomwise正在通过其称为AtomNet的深度学习平台来应对药物开发,该平台可以快速对分子结构进行建模。它可以准确地分析小分子内的化学相互作用,从而预测针对埃博拉病毒至多发性硬化症等疾病的功效。通过利用有关原子结构的数据,Atomwise设计了新颖的疗法,否则将几乎不可能开发。 他们与包括Charles River Laboratories,默克,多伦多大学和杜克大学医学院在内的机构建立了众多学术和公司合作伙伴关系,这些机构正在提供许多现实世界的应用程序和机会来推动这项研究的发展。他们最近还宣布了与江苏汉寿药业集团的高达$ 1.5B的合作,该公司是今年最大的生物制药IPO之一。 尽管Atomwise的分子设计方法功能强大且可以有效抵抗多种疾病,但还没有一种完美的方法来进行计算发现。那就是Arzeda进来的地方。 Arzeda:使用从头深度学习重写蛋白质设计规则 (华盛顿州西雅图市,成立于2008年,已筹集了1520万美元) Arzeda是一家来自华盛顿大学贝克实验室的公司,利用其蛋白质设计平台(当然植根于机器学习算法)来对蛋白质进行工程改造,从工业酶到农作物及其微生物群落。 Arzeda完全从零开始(或从头开始)构建其分子,而不是优化现有分子,以执行自然界中未发现的新功能;深度学习技术对于确保其设计的蛋白质正确折叠(非常复杂的计算问题)并按预期发挥功能至关重要。一旦完成计算步骤,就可以通过发酵(就像啤酒一样)来生产新蛋白质,而绕过自然进化过程以有效地生产全新的分子。 分布式生物:彻底改变流感,癌症,蛇咬等的未来 (加利福尼亚州南旧金山,成立于2012年,由许可技术自筹资金) 在设计范围的另一端,Distributed Bio利用合理的蛋白质工程技术来优化现有的抗体,这些抗体是您体内的蛋白质,可以检测细菌并与其他引起疾病的入侵者抗争,从而创造出新颖的疗法。 Tumbler平台是该公司拥有的众多免疫工程技术之一(从通用流感疫苗到广泛覆盖的蛇抗蛇毒)。 Tumbler使用机器学习方法创建了超过5亿种起始抗体变体,以扩展和量化分子中哪些变化最有价值的搜索空间。然后,它会对序列进行评分,以预测它们在现实生活中与目标的结合程度,并使用“有价值的变化”信息进一步改善得分最高的序列。随着最高级序列的合成和在实验室中的测试,生产周期继续进行。最终,原型分子应运而生,以实现预期的治疗目的-自然界中不一定观察到这种现象,而是结合了所有可能的最佳特征。 Tumbler已帮助实现了超越传统单一靶标药物开发的广泛应用-从设计可同时与多个靶标结合的抗体到创建嵌合抗原受体T细胞(CAR-T)治疗(与Chimera Bioengineering一起)用于癌症治疗具有降低的毒性,此端到端优化平台大规模产生理想抗体的能力是空前的。 尽管这一进展令人兴奋,但人工智能并不是我们对自然界研究的普遍替代,也不是开发治疗人类疾病的唯一方法。有时,它在技术上可能没有用,甚至从道德上讲也不是合理的。随着我们继续获得这项技术的好处并将其日益融入我们的日常生活中,我们必须继续就合成生物学和AI创新的设计,实施和道德操守进行对话。我们站在科学和人类新时代的悬崖上。 ——文章发布于2019年9月19日